CN112298184A - 基于人工智能的驾驶切换方法、装置、设备和存储介质 - Google Patents
基于人工智能的驾驶切换方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112298184A CN112298184A CN202011158438.4A CN202011158438A CN112298184A CN 112298184 A CN112298184 A CN 112298184A CN 202011158438 A CN202011158438 A CN 202011158438A CN 112298184 A CN112298184 A CN 112298184A
- Authority
- CN
- China
- Prior art keywords
- driving
- vehicle
- mode
- current
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 78
- 238000007405 data analysis Methods 0.000 claims abstract description 27
- 238000004088 simulation Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 206010039203 Road traffic accident Diseases 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000006854 communication Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 241001442234 Cosa Species 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/182—Selecting between different operative modes, e.g. comfort and performance modes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种基于人工智能的驾驶切换方法、装置、设备和存储介质;本申请实施例可以确定车辆的当前驾驶模式、以及当前驾驶模式下车辆的当前驾驶状态;获取车辆的历史驾驶时间数据;对历史驾驶时间数据进行数据分析,得到车辆在各驾驶模式下的驾驶时间分布特征、以及车辆在当前驾驶状态下的预测驾驶时间;基于驾驶时间分布特征,建立车辆在驾驶模式之间的驾驶时间分配关系;基于驾驶时间分配关系以及预测驾驶时间,生成车辆在当前驾驶模式下的驾驶模式切换条件;当检测到车辆在当前驾驶模式下的当前驾驶时长满足驾驶模式切换条件时,将车辆的当前驾驶模式切换至目标驾驶模式。该方案可以提高车辆的驾驶模式的切换效率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种基于人工智能的驾驶切换方法、装置、设备和存储介质。
背景技术
自动驾驶技术可以依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让计算机可以在没有任何人类主动的操作下,自动安全地操作机动车辆,因此,可以利用以自动驾驶技术为例的辅助驾驶技术,通过与驾驶员驾驶车辆相结合,在车辆驾驶中实现半自动驾驶。
在对相关技术的研究和实践过程中,本申请的发明人发现,在半自动驾驶中,如果车辆驾驶员能够得到辅助驾驶系统的合理辅助,那么车辆驾驶的安全性将得到提高,而如何平衡车辆的各驾驶模式对车辆的控制度,例如,如何平衡辅助驾驶系统与驾驶员各自对车辆的把控度,成为半自动驾驶场景中不易优化解决的问题。
发明内容
本申请实施例提供一种基于人工智能的驾驶切换方法、装置、设备和存储介质,可以提高车辆的驾驶模式的切换效率。
本申请实施例提供一种基于人工智能的驾驶切换方法,包括:
确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态;
获取所述车辆的历史驾驶时间数据,其中,所述历史驾驶时间数据包括所述车辆在至少一个驾驶模式下的驾驶时间信息;
对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间;
基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系;
基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件;
当检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,将所述车辆的当前驾驶模式切换至目标驾驶模式。
相应的,本申请实施例还提供一种基于人工智能的驾驶切换装置,包括:
确定单元,用于确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态;
获取单元,用于获取所述车辆的历史驾驶时间数据,其中,所述历史驾驶时间数据包括所述车辆在至少一个驾驶模式下的驾驶时间信息;
分析单元,用于对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间;
建立单元,用于基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系;
生成单元,用于基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件;
切换单元,用于当检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,将所述车辆的当前驾驶模式切换至目标驾驶模式。
在一实施例中,所述分析单元,包括:
第一提取子单元,用于从所述历史驾驶时间数据中提取与所述各驾驶模式匹配的第一匹配时间数据、以及与所述当前驾驶状态匹配的第二匹配时间数据;
第一解析子单元,用于对所述第一匹配时间数据进行数据解析,以确定所述车辆在所述各驾驶模式下的驾驶时间服从的数据分布模式;
第一生成子单元,用于基于所述数据分布模式、以及所述各驾驶模式的驾驶故障属性,生成所述车辆在所述各驾驶模式下的驾驶时间分布特征;
数据统计子单元,用于对所述第二匹配时间数据进行数据统计,以得到所述车辆在所述当前驾驶状态下的预测驾驶时间。
在一实施例中,所述第一生成子单元,用于:
确定所述各驾驶模式的驾驶故障属性;基于所述驾驶故障属性,确定所述各驾驶模式对应的安全驾驶系数;基于所述安全驾驶系数,通过遵循所述数据分布模式生成所述车辆在所述各驾驶模式下的驾驶时间分布特征。
在一实施例中,所述第一生成子单元,用于:
获取车路协同样本数据,其中,所述车路协同样本数据包括所述各驾驶模式下的车辆驾驶事故信息;基于所述车辆驾驶事故信息,确定所述各驾驶模式下的车辆驾驶事故的统计结果;基于所述统计结果,确定所述各驾驶模式的模式故障属性。
在一实施例中,所述统计子单元,用于:
对所述第二匹配时间数据进行数据统计,得到统计后的驾驶时间统计特征;基于所述统计后的驾驶时间统计特征,生成所述车辆在所述当前驾驶状态下的预测驾驶时间。
在一实施例中,所述建立单元,包括:
特征分类子单元,用于基于所述车辆的驾驶状态,对所述驾驶时间分布特征进行分类;
第二提取子单元,用于从所述分类后的驾驶时间分布特征中提取与所述当前驾驶状态对应的驾驶时间分布特征;
第一确定子单元,用于基于所述提取后的驾驶时间分布特征,确定所述车辆在所述驾驶模式之间的驾驶时间分配关系。
在一实施例中,所述生成单元,包括:
时间分配子单元,用于基于所述驾驶时间分配关系,对所述预测驾驶时间进行分配,得到分配后的预测驾驶时间;
第二确定子单元,用于从所述分配后的预测驾驶时间中确定所述当前驾驶模式对应的预测驾驶时间;
第二生成子单元,用于基于所述当前驾驶模式对应的预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件。
在一实施例中,在所述确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态之前,所述基于人工智能的驾驶切换装置还包括:
样本获取单元,用于获取车路协同样本数据,其中,所述车路协同样本数据包括车辆驾驶事故的事故成因信息;
模式确定单元,用于确定所述车辆驾驶事故中车辆的驾驶模式;
状态分类单元,用于基于所述事故成因信息,对所述车辆的驾驶状态进行分类,得到分类后的驾驶状态;
第一集合生成单元,用于基于所述分类后的驾驶状态,生成与所述驾驶模式对应的驾驶状态集。
在一实施例中,所述驾驶模式包括驾驶员模式与辅助驾驶系统模式,所述基于人工智能的驾驶切换装置还包括:
集合获取单元,用于获取所述驾驶员模式对应的驾驶状态集,其中,所述驾驶状态集包括驾驶员的至少一个驾驶状态;
辅助确定单元,用于确定辅助驾驶系统对所述驾驶员的驾驶辅助方式;
状态模拟单元,用于基于所述驾驶辅助方式,对所述驾驶员的驾驶状态进行状态模拟,得到模拟后的驾驶状态;
第二集合生成单元,用于基于所述模拟后的驾驶状态,生成与所述辅助驾驶系统模式对应的驾驶状态集。
在一实施例中,所述确定单元,包括:
对象确定子单元,用于确定所述车辆的当前驾驶对象;
模式确定子单元,用于根据所述当前驾驶对象,确定所述车辆的当前驾驶模式;
数据获取子单元,用于获取所述当前驾驶对象的驾驶对象特征数据;
第二解析子单元,用于对所述驾驶对象特征数据进行解析,以确定所述当前驾驶模式下所述车辆的当前驾驶状态。
在一实施例中,所述车辆的驾驶模式包括驾驶员模式与辅助驾驶系统模式;所述数据解析子单元,用于:
当所述当前驾驶模式为所述驾驶员模式时,从所述驾驶对象特征数据中提取驾驶员的生物特征信息;基于所述生物特征信息,确定所述驾驶员的驾驶状态,并将所述驾驶状态确定为所述当前驾驶模式下所述车辆的当前驾驶状态;当所述当前驾驶模式为所述辅助驾驶系统模式时,从所述驾驶对象特征数据中提取辅助驾驶系统的驾驶状态指示信息;基于所述驾驶状态指示信息,确定所述辅助驾驶系统的驾驶状态,并将所述驾驶状态确定为所述当前驾驶模式下所述车辆的当前驾驶状态。
在一实施例中,所述切换单元,包括:
时长获取子单元,用于获取所述车辆在所述当前驾驶模式下的当前驾驶时长;
模式选取子单元,用于当检测到所述当前驾驶时长满足所述驾驶模式切换条件时,从所述车辆的历史驾驶模式中选取目标驾驶模式;
模式切换子单元,用于将所述车辆的当前驾驶模式切换至所述目标驾驶模式。
相应的,本申请实施例还提供一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如本申请实施例所示的基于人工智能的驾驶切换方法的步骤。
相应的,本申请实施例还提供一种计算机设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如本申请实施例所示的基于人工智能的驾驶切换方法的步骤。
本申请实施例可以确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态;获取所述车辆的历史驾驶时间数据,其中,所述历史驾驶时间数据包括所述车辆在至少一个驾驶模式下的驾驶时间信息;对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间;基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系;基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件;当检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,将所述车辆的当前驾驶模式切换至目标驾驶模式。
该方案能够在进行车辆的驾驶切换时,将车辆的驾驶模式以及驾驶状态考虑在内,并且,通过对车辆各驾驶模式的驾驶时间分布特征进行分析,能够进一步地确定车辆各驾驶模式之间的驾驶时间分配关系,使得该方案可以基于该驾驶时间分配关系,有效地平衡车辆的各驾驶模式对车辆的控制度,从而大大提高基于车辆的驾驶模式的切换效率与安全性。例如,本方案能够很好地模拟辅助驾驶系统和辅导员持续驾驶时间的统计规律,从而有效地调节半自动驾驶系统中辅助驾驶系统对驾驶员的干预度,以使得车辆能够高效地在辅助驾驶系统模式与驾驶员模式之间切换,并让辅助驾驶系统与驾驶员可以高效地进行车辆的交替驾驶。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于人工智能的驾驶切换方法的场景示意图;
图2是本申请实施例提供的基于人工智能的驾驶切换方法的另一场景示意图;
图3是本申请实施例提供的基于人工智能的驾驶切换方法的流程图;
图4是本申请实施例提供的基于人工智能的驾驶切换方法的步骤示意图;
图5是本申请实施例提供的基于人工智能的驾驶切换方法的实验结果示意图;
图6是本申请实施例提供的基于人工智能的驾驶切换方法的另一流程示意图;
图7是本申请实施例提供的基于人工智能的驾驶切换方法的应用示意图;
图8是本申请实施例提供的基于人工智能的驾驶切换方法的另一应用示意图;
图9是本申请实施例提供的基于人工智能的驾驶切换装置的结构示意图;
图10是本申请实施例提供的基于人工智能的驾驶切换装置的另一结构示意图;
图11是本申请实施例提供的基于人工智能的驾驶切换装置的另一结构示意图;
图12是本申请实施例提供的基于人工智能的驾驶切换装置的另一结构示意图;
图13是本申请实施例提供的基于人工智能的驾驶切换装置的另一结构示意图;
图14是本申请实施例提供的基于人工智能的驾驶切换装置的另一结构示意图;
图15是本申请实施例提供的基于人工智能的驾驶切换装置的另一结构示意图;
图16是本申请实施例提供的基于人工智能的驾驶切换装置的另一结构示意图;
图17是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种基于人工智能的驾驶切换方法、装置、设备和存储介质。具体地,本申请实施例提供适用于计算机设备的基于人工智能的驾驶切换装置。其中,该计算机设备可以为终端或服务器等设备,该终端可以为手机、平板电脑、笔记本电脑、车载电脑等设备。该服务器可以是单台服务器,也可以是由多个服务器组成的服务器集群。
本申请实施例将以基于人工智能的驾驶切换方法由终端执行为例来进行介绍。
基于人工智能的驾驶切换方法可以应用在图1所示的终端10中,可选的,该终端可以为图2所示的车载电脑。
具体地,终端10可以确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态;获取所述车辆的历史驾驶时间数据,其中,所述历史驾驶时间数据包括所述车辆在至少一个驾驶模式下的驾驶时间信息;对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间;基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系;基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件;当检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,将所述车辆的当前驾驶模式切换至目标驾驶模式。
在另一实施例中,基于人工智能的驾驶切换方法可以由终端与服务器共同执行,可选的,该终端可以为图2所示的车载电脑。
具体地,终端10可以确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态。
而服务器20则可以用于执行分析与复杂计算的过程,例如,服务器20可以获取所述车辆的历史驾驶时间数据,其中,所述历史驾驶时间数据包括所述车辆在至少一个驾驶模式下的驾驶时间信息;对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间;基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系;基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件。
相应地,当终端10检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,即可将所述车辆的当前驾驶模式切换至目标驾驶模式。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的一种基于人工智能的驾驶切换方法,该方法涉及人工智能的自动驾驶等技术,并且,该方法可以由终端或服务器执行,也可以由终端和服务器共同执行;本申请实施例以基于人工智能的驾驶切换方法由终端执行为例来进行说明,具体的,由集成在终端中的基于人工智能的驾驶切换装置来执行,例如,由集成在车载电脑中的基于人工智能的驾驶切换装置来执行。
其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
如图3所述,该基于人工智能的驾驶切换方法的具体流程可以如下:
101、确定车辆的当前驾驶模式、以及该当前驾驶模式下车辆的当前驾驶状态。
其中,车辆的驾驶模式为描述车辆驾驶行为的一般方式,例如,可以用车辆的驾驶对象来描述车辆的驾驶行为,譬如,当车辆的控制对象为驾驶员时,表示当前为驾驶员驾驶车辆,因此,车辆的驾驶模式可以为驾驶员模式;又如,当车辆的控制对象为辅助驾驶系统时,表示当前为辅助驾驶系统驾驶车辆,因此,车辆的驾驶模式可以为辅助驾驶系统模式;等等。值得注意的是,车辆的辅助驾驶系统可以包括多种系统,例如,自动驾驶系统、半自动驾驶系统、安全辅助驾驶系统,等等,在本申请中不对此做限制。
在阐述如何在应用中确定车辆的当前驾驶模式、以及车辆的当前驾驶状态之前,可以首先就如何定义、分类车辆的驾驶状态进行阐述。而如何确定车辆的当前驾驶模式、以及该当前驾驶模式下车辆的当前驾驶状态,可以参考后面实施例的介绍。具体地,在步骤“确定车辆的当前驾驶模式、以及该当前驾驶模式下车辆的当前驾驶状态”之前,基于人工智能的驾驶切换方法还可以包括:
获取车路协同样本数据,其中,车路协同样本数据包括车辆驾驶事故的事故成因信息;
确定车辆驾驶事故中车辆的驾驶模式;
基于事故成因信息,对车辆的驾驶状态进行分类,得到分类后的驾驶状态;
基于分类后的驾驶状态,生成与该驾驶模式对应的驾驶状态集。
其中,车路协同是用信息手段打通交通管理部门、车场、厂车、道路、设施、车、人等因素的新技术,在理解车路协同时不能局限于“车”,而应该将视野放宽,例如从交管部门或车联网平台获取车辆驾驶事故的相关数据。
其中,车路协同样本数据中可以包括车辆驾驶事故的相关数据,例如,可以包括车辆驾驶事故的事故成因信息,如,肇事者成因等;又如,可以包括肇事者驾驶时所处的状态,如,是否酒驾、是否无证驾驶等。
在本实施例中,可以通过车辆的驾驶对象来描述车辆的驾驶行为,因此,车辆的驾驶模式可以包括驾驶员模式与辅助驾驶系统模式。并且,由于车路协同样本数据中包括了车辆驾驶事故的事故成因信息,如,肇事者成因,因此,对于车路协同样本数据中的车辆驾驶事故,可以基于事故成因信息来确定车辆的驾驶对象,并根据车辆的驾驶对象来确定车辆驾驶事故中车辆的驾驶模式。
由于当驾驶对象在驾驶车辆时,车辆的状态会在很大程度地上受到驾驶对象状态的影响,因此,在本实施例中,可以根据车辆驾驶对象的状态来定义车辆的驾驶状态。例如,可以将无辅助驾驶系统条件下的驾驶员的驾驶状态,或无驾驶员条件下的辅助驾驶系统的驾驶状态统称为车辆的驾驶状态。
在一实施例中,可以从车路系统样本数据中获取驾驶员模式下的车辆驾驶事故的相关数据。由于该相关数据中记录了肇事者驾驶时所处的状态,例如,是否酒驾、是否无证驾驶等,因此,可以基于车辆驾驶事故的事故成因信息,如,肇事者成因,来对这些状态进行分类,从而实现对车辆的驾驶状态进行分类。
对驾驶状态进行分类的方式可以有多种,例如,当车辆处于驾驶员模式下时,可以将驾驶状态分配如下三类:驾驶中状态,即驾驶员持续处理驾驶信息的状态;干扰状态,即强无关信息源扰动使驾驶员暂时丧失处理驾驶信息的状态;内敛状态,即由于心理或生理原因使驾驶员暂时丧失处理外界刺激信息能力的状态。又如,驾驶员有多个状态,记驾驶员有n个状态,分别称驾驶员的状态为状态1,2,…,n,因此,可以记X(t)为驾驶员在时刻t处的状态,例如,如果X(t)=1,那么,驾驶员在时刻t所处的状态为状态1。
在对驾驶状态进行分类,得到分类后的驾驶状态后,即可以基于该分类后的驾驶状态,生成对应的驾驶状态集。在一实施例中,当车辆处于驾驶员模式下时,可以对车辆的驾驶状态进行分类,得到分类后的n个状态,那么,驾驶员模式对应的驾驶状态集即为由分类后的n个状态构成的集合。
上述实施例描述了当驾驶模式为驾驶员模式时,生成驾驶员模式对应的驾驶状态集的方法与步骤。由于在实际应用中,在自动驾驶领域里,可以通过辅助驾驶系统来降低、甚至解放驾驶员的驾驶负担。例如,可以基于驾驶员的驾驶状态,来对应生成辅助驾驶系统的驾驶状态,使得辅助驾驶系统能够模拟驾驶员的驾驶行为,从而带来更好的用户体验。譬如,当驾驶员处于疲惫状态驾驶车辆时,驾驶员倾向于以平稳、舒适的风格驾驶车辆,那么,可以对辅助驾驶系统进行设置,使之具有相似的状态,以使其可以模拟当驾驶员处于疲惫的状态时的驾驶风格,从而当车辆从驾驶员模式切换到辅助驾驶系统模式时,能够平滑而不突兀地切换,并带来相同的驾驶体验与乘坐体验。
因此,在步骤“确定车辆的当前驾驶模式、以及该当前驾驶模式下车辆的当前驾驶状态”之前,除了可以就如何定义、分类车辆的驾驶状态进行阐述以外,当车辆的驾驶模式包括驾驶员模式与辅助驾驶系统模式时,基于人工智能的驾驶切换方法还可以包括:
获取该驾驶员模式对应的驾驶状态集,其中,该驾驶状态集包括驾驶员的至少一个驾驶状态;
确定辅助驾驶系统对所述驾驶员的驾驶辅助方式;
基于该驾驶辅助方式,对驾驶员的驾驶状态进行状态模拟,得到模拟后的驾驶状态;
基于模拟后的驾驶状态,生成与辅助驾驶系统模式对应的驾驶状态集。
其中,驾驶辅助方式可用于描述辅助驾驶系统是如何对驾驶员进行驾驶辅助的,例如,驾驶辅助方式可以为驾驶模拟方式,即在实际应用中,当驾驶员驾驶车辆时,会具有至少一个不同的驾驶状态,而辅助驾驶系统可以通过对驾驶员进行模拟,对应地生成各个模拟驾驶状态,从而实现智能地模拟驾驶员的驾驶风格、平滑地在驾驶员模式与辅助驾驶系统模式之间切换,从而带来更好的用户体验。
又如,驾驶辅助方式可以为驾驶互补方式,即在实际应用中,对于驾驶员驾驶车辆的各个不同驾驶状态,辅助驾驶系统可以对应地生成与之互补的驾驶状态,从而使得辅助驾驶系统可以与驾驶员的驾驶状态进行互补。譬如,当驾驶员处于疲惫驾驶状态时,由于驾驶员倾向于以慢速、平稳的风格驾驶车辆,因此,可以对辅助驾驶系统进行设置,使之具有互补的状态,以使其可以与疲惫状态下的车辆驾驶风格互补,从而实现以高效、适于通勤的风格驾驶车辆;等等。
驾驶辅助方式的设置,可以基于业务需求进行调整,以更好地满足用户。在本实施例中,驾驶辅助方式可以为驾驶模拟方式,因此,可以对驾驶员的驾驶状态进行状态模拟,得到模拟后的驾驶状态。
在一实施例中,驾驶员的驾驶状态集中包括如下三个驾驶状态:驾驶中状态、干扰状态与内敛状态;因此,可以对该三个驾驶状态进行模拟,使得辅助驾驶系统的驾驶状态集也相应具有上述三个驾驶状态。
在另一实施例中,驾驶员的驾驶状态集中可以包括n个驾驶状态,分别称驾驶员的状态为状态1,2,…,n;因此,可以对该n个驾驶状态进行模拟,使得辅助驾驶系统的驾驶状态集也相应具有上述n个驾驶状态。
上述实施例阐述了在步骤“确定车辆的当前驾驶模式、以及该当前驾驶模式下车辆的当前驾驶状态”之前,如何定义、分类车辆的驾驶状态,因此,在实际应用中,可以在此基础上确定车辆的当前驾驶模式、以及该当前驾驶模式下车辆的当前驾驶状态。具体地,步骤“确定车辆的当前驾驶模式、以及该当前驾驶模式下车辆的当前驾驶状态”,可以包括:
确定车辆的当前驾驶对象;
根据该当前驾驶对象,确定车辆的当前驾驶模式;
获取该当前驾驶对象的驾驶对象特征数据;
对驾驶对象特征数据进行解析,以确定当前驾驶模式下车辆的当前驾驶状态。
其中,确定车辆的当前驾驶对象的方法可以有多种,例如,对于驾驶中的车辆,可以通过车辆的车内摄像头或者其他人脸识别设备识别出驾驶员是否为车辆的驾驶对象;又如,若当前是辅助驾驶系统在驾驶车辆,车载电脑可以获取辅助驾驶系统发送的控制信号,使得车载电脑知道当前是辅助驾驶系统在驾驶车辆。
在本实施例中,在确定了车辆的当前驾驶对象后,即可确定车辆的当前驾驶模式,具体地,若当前驾驶对象是驾驶员,那么可以确定车辆处于驾驶员模式;若当前驾驶对象是辅助驾驶系统,则可以确定车辆处于辅助驾驶系统模式。
其中,驾驶对象特征数据可以为记录了当前驾驶对象特征的相关数据,例如,若车辆的当前驾驶对象为驾驶员,则驾驶员的驾驶对象特征数据可以包括驾驶员的生物特征信息;具体地,该生物特征信息可以包括通过车内摄像头或其他人脸识别设备采集到的脸部图像与视频、包括通过车辆的传感器采集到的人体特征数据,等等。
又如,若车辆的当前驾驶对象为辅助驾驶系统,则辅助驾驶系统的驾驶对象特征数据可以为辅助驾驶系统提供的驾驶状态指示消息,具体地,该驾驶状态指示消息指示了辅助驾驶系统的当前驾驶状态。
在获取了车辆当前驾驶对象的驾驶对象特征数据后,可以通过对该驾驶对象特征数据进行解析,从而确定当前驾驶模式下车辆的当前驾驶状态,由于在实际应用中,车辆的驾驶模式可以包括驾驶员模式与辅助驾驶系统模式,因此,具体地,步骤“对驾驶对象特征数据进行解析,以确定当前驾驶模式下车辆的当前驾驶状态”,可以包括:
当该当前驾驶模式为驾驶员模式时,从驾驶对象特征数据中提取驾驶员的生物特征信息;
基于该生物特征信息,确定驾驶员的驾驶状态,并将该驾驶状态确定为当前驾驶模式下车辆的当前驾驶状态;
当该当前驾驶模式为辅助驾驶系统模式时,从驾驶对象特征数据中提取辅助驾驶系统的驾驶状态指示信息;
基于该驾驶状态指示信息,确定辅助驾驶系统的驾驶状态,并将该驾驶状态确定为当前驾驶模式下车辆的当前驾驶状态。
在一实施例中,当车辆的当前驾驶模式为驾驶员模式时,可以从该驾驶员的驾驶对象特征信息中提取该驾驶员的生物特征信息,如,通过车内摄像头或其他人脸识别设备采集到的驾驶员的脸部图像或视频。并通过对该脸部图像或视频进行脸部特征识别,从而分析出驾驶员的当前驾驶状态,并将该分析出的驾驶员的当前驾驶状态确定为车辆的当前驾驶状态。
其中,驾驶状态指示信息可以为指示辅助驾驶系统的当前驾驶状态的相关信息,例如,当车辆的当前驾驶对象为辅助驾驶系统时,辅助驾驶系统可以通过指示灯、指示数值等交互设置传递辅助驾驶系统的当前驾驶状态,并且,可以将指示各驾驶状态的信息发送给车载电脑。譬如,可以设置,当指示灯为绿色时,表征辅助驾驶系统处于驾驶中状态;当指示灯为黄色时,表征辅助驾驶系统处于干扰状态;当指示灯为红色时,表征辅助驾驶系统处于内敛状态。又如,可以设置,用变量autoStatus的值表征辅助驾驶系统所处的驾驶状态,如,1表示驾驶中状态、2表示干扰状态、3表示内敛状态;等等。
在另一实施例中,当车辆的当前驾驶模式为辅助驾驶系统模式时,可以从辅助驾驶系统的驾驶对象特征数据中提取辅助驾驶系统的驾驶状态指示信息,并通过该驾驶状态指示信息来确定辅助驾驶系统的当前驾驶状态,并确定其为车辆的当前驾驶状态。
102、获取车辆的历史驾驶时间数据,其中,该历史驾驶时间数据包括车辆在至少一个驾驶模式下的驾驶时间信息。
当将本申请提供的基于人工智能的驾驶切换方法应用到具体的车辆时,可以获取该车辆的历史驾驶时间数据,其中,该历史驾驶时间数据可以包括该车辆在至少一个驾驶模式下的驾驶时间信息,例如,可以包括当该车辆处于不同的驾驶模式、以及不同的驾驶状态下时的驾驶时间信息。
在一实施例中,车辆的驾驶模式包括驾驶员模式与辅助驾驶系统模式,因此,该车辆的历史驾驶时间数据中可以包括该车辆在驾驶员模式或辅助驾驶系统模式下各次历史驾驶记录的驾驶时间信息,如,驾驶开始时间、驾驶结束时间、驾驶持续时间,等等。
获取车辆的历史驾驶时间数据的方法可以有多种,例如,可以通过向记录车辆历史驾驶时间数据的单元发送请求,以获取历史驾驶时间数据;又如,可以设置专用的时间记录单元,以对车辆在不同驾驶模式下的驾驶时间信息进行记录;等等。
103、对该历史驾驶时间数据进行数据分析,得到车辆在各驾驶模式下的驾驶时间分布特征、以及车辆在当前驾驶状态下的预测驾驶时间。
其中,驾驶时间分布特征可以用于描述车辆的驾驶时间服从的分布特点,例如,当车辆处于驾驶员模式时,若驾驶员在每个状态的一次性停留的持续时间服从指数分布,那么,可以基于确定的指数分布模式,进一步地确定车辆在驾驶员模式下的驾驶时间分布特征;又如,当车辆处于辅助驾驶系统模式时,由于辅助驾驶系统对辅导员的驾驶辅助方式为驾驶模拟方式,因此,辅助驾驶系统除了模拟驾驶员模式下车辆的驾驶状态外,也应相应地模拟车辆在驾驶员模式下的驾驶时间分布特征,因此,可以得到车辆在辅助驾驶系统模式下的驾驶时间分布特征。
其中,预测驾驶时间可以用于描述车辆的预测驾驶时长,具体地,可以用于预测当车辆处于某驾驶模式、以及某驾驶状态下的驾驶时长。值得注意的是,该预测的驾驶时长可以为单位时间内车辆的驾驶时间总长度,例如,预测在一天中,当车辆处于某驾驶模式、以及某驾驶状态下时,该车辆在该天内的驾驶时间总长度;此外,该预测的驾驶时长也可以是单次的时长,例如,预测当车辆保持在当前驾驶模式、以及当前驾驶状态下时,车辆在该次驾驶的时间长度。
为了确定车辆在各驾驶模式下的驾驶时间分布特征、以及车辆在当前驾驶模式下的预测驾驶时间,可以对历史驾驶时间数据进行数据分析。而进行数据分析的方式可以有多种,具体地,步骤“对该历史驾驶时间数据进行数据分析,得到车辆在各驾驶模式下的驾驶时间分布特征、以及车辆在当前驾驶状态下的预测驾驶时间”,可以包括:
从历史驾驶时间数据中提取与各驾驶模式匹配的第一匹配时间数据、以及与当前驾驶状态匹配的第二匹配时间数据;
对第一匹配时间数据进行数据解析,以确定车辆在各驾驶模式下的驾驶时间服从的数据分布模式;
基于该数据分布模式、以及各驾驶模式的驾驶故障属性,生成车辆在各驾驶模式下的驾驶时间分布特征;
对第二匹配时间数据进行数据统计,以得到车辆在当前驾驶状态下的预测驾驶时间。
其中,由于历史驾驶时间数据包括该车辆在至少一个驾驶模式下的驾驶时间信息,例如,包括当该车辆处于不同的驾驶模式、以及不同的驾驶状态下时的驾驶时间信息,因此,为了基于历史驾驶时间数据来确定车辆在各驾驶模式下的驾驶时间分布特征、以及车辆在当前驾驶状态下的预测驾驶时间,可以首先从历史驾驶时间数据中提取与各驾驶模式匹配的第一匹配时间数据、以及与当前驾驶状态匹配的第二匹配时间数据。
在一实施例中,车辆的驾驶模式包括驾驶员模式与辅助驾驶系统模式,并且,车辆的驾驶状态包括驾驶中状态、干扰状态和内敛状态。因此,可以从历史驾驶时间数据中提取与各驾驶模式匹配的第一匹配时间数据,具体地,该第一匹配时间数据可以包括两类数据,第一类数据中包括当车辆处于驾驶员模式时,车辆在各驾驶状态时的驾驶时间信息;第二类数据中包括当车辆处于辅助驾驶系统模式时,车辆在各驾驶状态时的驾驶时间信息。
在提取得到与各驾驶模式匹配的第一匹配时间数据后,可以通过对该第一匹配时间数据进行数据解析,以确定车辆在各驾驶模式下的驾驶时间所服从的数据分布模式。
确定车辆在各驾驶模式下的驾驶时间所服从的数据分布模式的方式可以有多种,例如,在一实施例中,由于辅助驾驶系统对辅导员的驾驶辅助方式为驾驶模拟方式,因此,辅助驾驶系统除了模拟驾驶员模式下车辆的驾驶状态外,也应相应地模拟车辆在驾驶员模式下的驾驶时间分布特征,因此,在该实施例中,可以通过对第一匹配时间数据中的第一类数据进行数据解析,得到车辆在驾驶员模式下的驾驶时间所服从的数据分布模式,并将该得到的数据分布模式确定为车辆在辅助驾驶系统模式下的驾驶时间所服从的数据分布模式。
例如,当车辆处于驾驶员模式下时,可以对第一匹配时间数据进行数据解析,从而确定车辆在驾驶员模式下的驾驶时间服从的数据分布模式为指数分布模式,例如,驾驶员一次性停留在状态i的持续时长超过Ti的概率为其中,为无辅助驾驶系统条件下的驾驶员在状态i的平均持续时间。因此,可以相应地确定车辆在辅助驾驶系统模式下的驾驶时间所服从的数据分布模式也为
为了便于理解,下面首先对驾驶时间分布特征的生成步骤进行描述,而对于预测驾驶时间的确定步骤,可以参考后面实施例的介绍。
在确定了驾驶时间的数据分布模式后,即可进一步地基于该数据分布模式生成车辆在各驾驶模式下的驾驶时间分布特征。具体地,步骤“基于该数据分布模式、以及各驾驶模式的驾驶故障属性,生成车辆在各驾驶模式下的驾驶时间分布特征”,可以包括:
确定各驾驶模式的驾驶故障属性;
基于该驾驶故障属性,确定各驾驶模式对应的安全驾驶系数;
基于该安全驾驶系数,通过遵循数据分布模式生成车辆在各驾驶模式下的驾驶时间分布特征。
由于无论是何种驾驶模式,都无法保证在驾驶过程中不会出故障,因此,要确定车辆在各驾驶模式下的驾驶时间分布特征,需要将驾驶模式的驾驶故障属性考虑在内。
其中,驾驶模式的驾驶故障属性可以用于描述当车辆处于该驾驶模式时,车辆出现驾驶故障的可能性大小,因此,驾驶模式的驾驶故障属性可以为多种情况;例如,驾驶故障属性可以通过程度词来描述,如,高、中、或低;又如,驾驶故障属性可以通过百分比来描述,如,概率;等等。具体地,步骤“确定各驾驶模式的驾驶故障属性”,可以包括:
获取车路协同样本数据,其中,车路协同样本数据包括各驾驶模式下的车辆驾驶事故信息;
基于该车辆驾驶事故信息,确定各驾驶模式下的车辆驾驶事故的统计结果;
基于该统计结果,确定各驾驶模式的模式故障属性。
由于在车辆驾驶中,如果驾驶员或者辅助驾驶系统对车辆的控制失效,如驾驶员的反应迟钝或者辅助驾驶系统的算法有误,那么可能会造成车辆驾驶事故,因此,车路协同样本数据中记载的交通事故率能够间接反映驾驶员模式以及辅助驾驶系统模式的对车辆的控制失效情况,即驾驶故障属性。
由于处于不同驾驶状态的驾驶模式对车辆控制失效的程度并不完全相同,在一实施例中,对于驾驶员模式的驾驶故障属性,由于驾驶员模式对应的驾驶状态集中可以包括n个驾驶状态:1,2,…,n;因此,车载电脑可以从交通管理云平台,或者相关部门获取车路协同样本数据,并从获取的车路协同样本数据中获取当驾驶员处于n个驾驶状态时的车辆驾驶事故的统计结果,如,交通事故率,并将该获取的统计结果分别记为p1,p2,…,pn。因此,在该实施例中,即可将获取的交通事故率确定为驾驶员模式的驾驶故障属性。
值得注意的是,从交管部门或车联网平台拿到的数据也无需特别精确,因为一方面车载电脑可以根据路况交通事故情况实时更新,另一方面,车辆的安全指标往往考虑统计特性,即多路段多时段的指标统计值,而不是某一时刻的指标,统计值能滤除一定的由不精确带来的统计误差。
而对于辅助驾驶系统模式的驾驶故障属性,除了可以参考确定驾驶员模式的驾驶故障属性的方法,还可以有其他的方式确定辅助驾驶系统模式的驾驶故障属性。
在另一实施例中,车载电脑可以从辅助驾驶系统的说明书或者辅助驾驶车辆的生产厂家或者维修厂商或其他渠道获取辅助驾驶系统的故障率,记为pmalfunction,并将该故障率确定为辅助驾驶系统模式的驾驶故障属性。
值得注意的是,由于辅助驾驶系统与驾驶员不一样,既没有心理情绪状态,也不受周围环境的影响,因此,辅助驾驶系统模式的故障情况与状态几乎无关,所以在该实施例中,无论处于哪个状态,可以认为辅助驾驶系统模式可能故障的概率都是pmalfunction。
在确定各驾驶模式的驾驶故障属性后,即可进一步地,基于该驾驶故障属性,确定各驾驶模式对应的安全驾驶系数。具体地,由于安全驾驶系数可以用于描述当车辆处于各驾驶模式时,车辆能够安全驾驶的可能性大小。因此,即可以通过各驾驶模式的驾驶故障属性确定其对应的安全驾驶系数。
在一实施例中,驾驶员模式处于n个驾驶状态:1,2,…,n时分别对应的驾驶故障属性为p1,p2,…,pn,因此,驾驶员模式处于n个驾驶状态:1,2,…,n时分别对应安全驾驶系数可以为(1-p1),(1-p2),…,(1-pn);辅助驾驶系统的驾驶故障属性为pmalfunction,因此,辅助驾驶系统对应的安全驾驶系数可以为(1-pmalfunction)。
值得注意的是,基于驾驶故障属性生成安全驾驶系数的方式,除了有上述所示的简单的线性减法以外,还可以有多种方式,例如,可以通过对驾驶故障属性进行线性或者非线性的函数转换,并将转换后得到的值确定为需要的安全驾驶系数;等等,在本申请中不对此做限制。
进一步地,在确定安全驾驶系数以及驾驶时间的数据分布模式后,即可基于该安全驾驶系数,通过遵循该数据分布模式,来生成车辆在各驾驶模式下的驾驶时间分布特征。
在一实施例中,可以求得驾驶员在任何一个状态安全停留一段时长的概率,即停留在该状态不发生交通事故的概率为:因此,可以认为概率为车辆在驾驶员模式下的驾驶时间分布特征;还可以求得辅助驾驶系统在该状态安全停留一段时长的概率为:该概率即为车辆在辅助驾驶系统模式下的驾驶时间分布特征。
上述已对驾驶时间分布特征的生成步骤进行描述,下面将对预测驾驶时间的确定步骤进行阐述。
由于车辆的历史驾驶时间数据中包括该车辆在至少一个驾驶模式下的驾驶时间信息,例如,包括当该车辆处于不同的驾驶模式、以及不同的驾驶状态下时的驾驶时间信息,因此,可以从历史驾驶时间数据中提取与车辆的当前驾驶状态匹配的第二匹配时间数据。
在一实施例中,车辆的驾驶模式包括驾驶员模式与辅助驾驶系统模式,车辆的驾驶状态包括驾驶中状态、干扰状态和内敛状态,而车辆的当前驾驶状态为驾驶中状态。因此,可以从历史驾驶时间数据中提取第一匹配时间数据,具体地,该第一匹配时间数据包括当车辆处于驾驶中状态时,车辆在各驾驶模式下的驾驶时间信息。
在提取到第二匹配时间数据后,即可通过对该第二匹配时间数据进行数据统计,以得到车辆在当前驾驶状态下的预测驾驶时间。具体地,步骤“对第二匹配时间数据进行数据统计,以得到车辆在当前驾驶状态下的预测驾驶时间”,可以包括:
对第二匹配时间数据进行数据统计,得到统计后的驾驶时间统计特征;
基于该统计后的驾驶时间统计特征,生成车辆在当前驾驶状态下的预测驾驶时间。
其中,驾驶时间统计特征可以为描述对车辆的历史驾驶时间数据进行统计分析后得到的特征,例如,驾驶时间统计特征可以为统计后得到的均值、最值等。
其中,进行数据统计的方式可以有多种,例如,可以统计第二匹配时间数据中驾驶时间信息的平均值,譬如,统计车辆在状态i停留的平均时间又如,可以从第二匹配时间数据中选取特定的驾驶时间信息,譬如,选取车辆上一次在状态i停留的时间;又如,可以对第二匹配时间数据中的驾驶时间信息进行贝叶斯统计,或加权滤波统计,等等。而在对第二匹配时间数据进行数据统计后,即可将得到的统计结果确定为待求的驾驶时间统计特征。
在求得驾驶时间统计特征后,基于该驾驶时间统计特征,生成车辆在当前驾驶状态下的预测驾驶时间,并将该生成的预测驾驶时间记为ti,pre。其中,基于驾驶时间统计特征生成预测驾驶时间的方法可以有多种。在一实施例中,可以直接将求得的驾驶时间统计特征确定为预测驾驶时间,例如,可以将车辆在在状态i停留的平均时间或车辆上一次在状态i停留的时间作为预测驾驶时间。在另一实施例中,可以通过对求得的驾驶时间统计特征进行进一步的运算,并将运算结果作为预测驾驶时间;等等。
104、基于驾驶时间分布特征,建立车辆在驾驶模式之间的驾驶时间分配关系。
其中,驾驶模式之间的驾驶时间分配关系可以用于当车辆需要在驾驶模式之间进行切换时,用于确定应该分配给各驾驶模式的驾驶时长。例如,若处于驾驶状态i的车辆,需要从驾驶员模式切换至辅助驾驶系统模式时,可以基于驾驶时间分配关系,确定当车辆处于状态i时,在该状态连续安全停留的时长里,应该分配多少时间给驾驶员模式、分配多少时间给辅助驾驶系统模式。
而建立车辆在驾驶模式之间的驾驶时间分配关系的方法可以有多种,例如,可以结合车辆的驾驶状态,确定当车辆处于同一驾驶状态时,在驾驶模式之间的驾驶时间分配关系。具体地,步骤“基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系”,可以包括:
基于车辆的驾驶状态,对驾驶时间分布特征进行分类;
从分类后的驾驶时间分布特征中提取与当前驾驶状态对应的驾驶时间分布特征;
基于提取后的驾驶时间分布特征,确定车辆在驾驶模式之间的驾驶时间分配关系。
其中,由于上述步骤得到的是车辆在各驾驶模式下的驾驶时间分布特征,也就是说,包括了当车辆处于不同的驾驶模式、以及不同的驾驶状态下时的驾驶时间分布特征,因此,可以基于车辆的驾驶状态,对该车辆在各驾驶模式下的驾驶时间分布特征进行分类。
在一实施例中,车辆的驾驶状态包括驾驶中状态、干扰状态、以及内敛状态,车辆的驾驶模式包括驾驶员模式与辅助驾驶系统模式,那么,在该实施例中,基于车辆的驾驶状态,对车辆的驾驶时间分布特征进行分类,可以得到:车辆处于驾驶中状态时,驾驶员模式与辅助驾驶系统模式的驾驶时间分布特征;车辆处于干扰状态时,驾驶员模式与辅助驾驶系统模式的驾驶时间分布特征;以及车辆处于内敛状态时,驾驶员模式与辅助驾驶系统模式的驾驶时间分布特征。
在对驾驶时间分布特征进行分类后,即可进一步地,从分类后的驾驶时间分布特征中提取与车辆的当前驾驶状态对应的驾驶时间分布特征。
进而,可以基于提取后的驾驶时间分布特征,确定车辆在驾驶模式之间的驾驶时间分配关系。
例如,在辅助驾驶系统和驾驶员模式共存的条件下,车辆在辅助驾驶系统或驾驶员模式中处于某个驾驶状态一次性停留的时长过长、或过短都不利于驾驶安全性,因此,较好的平衡方案是:车辆在驾驶员模式时,在任何一个驾驶状态安全停留一段时长的概率(停留在该状态不发生交通事故),应等于车辆在辅助驾驶系统模式时,在该状态安全停留一段时长的概率也就是说,对于状态i,车载电脑应该保证驾驶员在该状态停留的时间Ti,diver,与辅助驾驶系统在该状态停留的时间Ti,auto,满足关系:该满足的关系即可为车辆在各驾驶模式之间的驾驶时间分配关系。
在本实施例中,可以基于提取后的驾驶员模式的驾驶时间分布特征与辅助驾驶系统模式的驾驶时间分布特征确定当车辆的当前驾驶状态为干扰状态,即i的值为2时,车辆在驾驶员模式与辅助驾驶系统模式之间的驾驶时间分配关系为:
105、基于驾驶时间分配关系以及预测驾驶时间,生成车辆在当前驾驶模式下的驾驶模式切换条件。
其中,车辆的驾驶模式切换条件描述了当车辆需要切换驾驶模式时应满足的条件。例如,若车辆处于驾驶状态i,且该车辆的当前驾驶模式为驾驶员模式时,可以通过判断该车辆是否满足驾驶模式切换条件,来确定该车辆是否应从驾驶员模式切换至其他驾驶模式。
生成驾驶模式切换条件的方式可以有多种,在本实施例中,由于前述步骤中确定了车辆在各驾驶模式下的驾驶时间分配关系,以及车辆在当前驾驶状态下的预测驾驶时间,因此,可以通过遵循该驾驶时间分配关系来对预测驾驶时间进行分配,以确定各驾驶模式所被分配到的预测驾驶时间的时长,以便后续可以基于该时长结果进行驾驶切换。具体地,步骤“基于驾驶时间分配关系以及预测驾驶时间,生成车辆在当前驾驶模式下的驾驶模式切换条件”可以包括:
基于驾驶时间分配关系,对该预测驾驶时间进行分配,得到分配后的预测驾驶时间;
从分配后的预测驾驶时间中确定当前驾驶模式对应的预测驾驶时间;
基于该当前驾驶模式对应的预测驾驶时间,生成车辆在当前驾驶模式下的驾驶模式切换条件。
由于车辆在当前驾驶状态下的预测驾驶时间里,可能有多个驾驶模式对车辆进行控制,也就是说,该预测驾驶时间是被该车辆的多个驾驶模式占用的,又由于已求出了车辆在各驾驶模式之间的驾驶时间分配关系,因此,可以基于该求出的驾驶时间分配关系,对车辆的预测驾驶时间进行分配。
对预测驾驶时间进行分配的方式可以有多种,例如,在一实施例中,车辆的驾驶模式包括驾驶员模式与辅助驾驶系统模式,并且,车辆的当前驾驶状态为驾驶状态i,因此,可以基于驾驶员模式与辅助驾驶系统模式之间的驾驶时间分配关系,对车辆当前处于干扰状态下的预测驾驶时间进行分配。
具体地,由于该车辆的驾驶模式仅包括驾驶员模式与辅助驾驶系统模式,因此,该车辆在驾驶状态i下的驾驶预测时间仅被驾驶员模式与辅助驾驶系统模式占用,因此,可以有:Ti,auto+Ti,diver=ti,pre。再结合驾驶员模式与辅助驾驶系统模式之间的驾驶时间分配关系,即因此,可以确定出: 以及其中,Ti,diver与Ti,auto即为分配后的预测驾驶时间。
在生成分配后的预测驾驶时间后,即可结合车辆的当前驾驶模式,确定车辆在当前驾驶模式下的预测驾驶时间。例如,若车辆的当前驾驶模式为驾驶员模式,因此,可以确定车辆当前在驾驶员模式下的预测驾驶时间Ti,diver等于又如,若车辆的当前驾驶模式为辅助驾驶系统模式,因此,可以确定车辆当前在辅助驾驶系统模式下的预测驾驶时间Ti,auto等于
进一步地,即可基于车辆在当前驾驶模式对应的驾驶预测时间,生成该车辆在当前驾驶模式下的驾驶模式切换条件。其中,生成的方式可以有多种,例如,可以直接将该生成的驾驶预测时间作为驾驶模式切换条件,譬如,若车辆的当前驾驶模式为驾驶员模式,且车辆的当前驾驶状态为驾驶中状态,即i的值为1,那么,驾驶员模式的驾驶预测时间T1,diver为那么,由于可以直接将该生成的驾驶预测时间作为驾驶员模式的驾驶模式切换条件,因此,当检测到在车辆处于当前驾驶状态下时,若驾驶员模式的驾驶时间达到改值,即可认为满足了驾驶模式切换条件。
又如,可以基于业务需求,对生成的预测驾驶时间进行线性或非线性的函数变换,并将变换后的函数值确定为驾驶模式切换条件,譬如,在实际应用中,规定在进行驾驶切换前需要用语音的方式告知用户,并在获得用户的允许后,才进行驾驶模式的切换,那么,驾驶模式切换条件应该为既满足预测驾驶时间、又获得了用户的允许;等等。
106、当检测到车辆在当前驾驶模式下的当前驾驶时长满足驾驶模式切换条件时,将车辆的当前驾驶模式切换至目标驾驶模式。
其中,目标驾驶模式可以为车辆的历史驾驶模式中的任一驾驶模式,例如,若车辆的当前驾驶模式为驾驶员模式,则该车辆的目标驾驶模式可以为辅助驾驶系统模式
在本实施例中,由于车辆的驾驶模式切换条件将驾驶时间的因素考虑在内,因此,可以基于车辆在当前驾驶模式下的当前驾驶时长来判断该车辆是否满足驾驶模式切换条件,并进一步地,将车辆的当前驾驶模式切换至目标驾驶模式。具体地,步骤“当检测到车辆在当前驾驶模式下的当前驾驶时长满足驾驶模式切换条件时,将车辆的当前驾驶模式切换至目标驾驶模式”可以包括:
获取车辆在当前驾驶模式下的当前驾驶时长;
当检测到该当前驾驶时长满足驾驶模式切换条件时,从车辆的历史驾驶模式中选取目标驾驶模式;
将车辆的当前驾驶模式切换至目标驾驶模式。
值得注意的是,由于车辆的驾驶模式切换条件将车辆的驾驶模式与驾驶状态考虑在内,因此,该获取的当前驾驶时长应该是车辆处于当前驾驶模式、并且处于当前驾驶状态下时,在本次驾驶中的连续驾驶时间长度。
其中,目标驾驶模式的选取方式可以有多种,例如,可以按照预设的顺序,从历史驾驶模式中进行按序选择;又如,可以通过传感器获取车内乘客的生物特征以及车辆周围环境的环境特征,并基于该生物特征以及环境特征,计算合适的匹配的目标驾驶模式;等等。
当检测到车辆的当前驾驶时长满足前述计算得到的驾驶模式切换条件时,即可从车辆的历史驾驶模式中选取目标驾驶模式,并将车辆的当前驾驶模式切换至该目标驾驶模式,以完成该车辆的驾驶切换。
由上可知,本实施例可以确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态;获取所述车辆的历史驾驶时间数据,其中,所述历史驾驶时间数据包括所述车辆在至少一个驾驶模式下的驾驶时间信息;对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间;基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系;基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件;当检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,将所述车辆的当前驾驶模式切换至目标驾驶模式。
该方案能够在进行车辆的驾驶切换时,将车辆的驾驶模式以及驾驶状态考虑在内,并且,通过对车辆各驾驶模式的驾驶时间分布特征进行分析,能够进一步地确定车辆各驾驶模式之间的驾驶时间分配关系,使得该方案可以基于该驾驶时间分配关系,有效地平衡车辆的各驾驶模式对车辆的控制度,从而大大提高基于车辆的驾驶模式的切换效率与安全性。例如,本方案能够很好地模拟辅助驾驶系统和辅导员持续驾驶时间的统计规律,从而有效地调节半自动驾驶系统中辅助驾驶系统对驾驶员的干预度,以使得车辆能够高效地在辅助驾驶系统模式与驾驶员模式之间切换,并让辅助驾驶系统与驾驶员可以高效地进行车辆的交替驾驶。
并且,本申请能够在进行车辆的驾驶切换时,还将驾驶模式的驾驶故障属性考虑在内,例如,将辅助驾驶系统模式与驾驶员模式的驾驶故障属性考虑在内。参考图4,当将本申请应用在以半自动驾驶系统为例的辅助驾驶系统上时,本申请能够将无半自动驾驶系统条件下的驾驶员状态分类并模拟其统计规律;模拟无驾驶员条件下的半自动驾驶系统的驾驶规律;获取驾驶员对车辆控制的失效率和半自动驾驶系统对车辆控制的失效率;确定半自动驾驶系统与驾驶员之间的最佳平衡条件;以及预测搬家时系统和驾驶员各自应该在当前驾驶状态驾驶多长时间。这样能够更加科学、可靠地对车辆在当前驾驶状态下的预测驾驶时间进行分配,以便生成更加可信的驾驶模式切换条件。
另外,可以通过将车联网云平台获取到的(如通过道路摄像头拍摄后传输到车联网云平台)车辆相对速度、车辆行驶方向、车辆类型、地表粘度、弯度、能见度、道路类型带入物理学领域的引力场论模型、弹簧势能模型、多普勒效应模型计算得到车辆之间的碰撞强度后,进一步地计算碰撞强度的样本标准差,以对车辆的驾驶风险进行评估。具体地,通过对本申请中的基于人工智能的驾驶切换方法进行仿真实验10次,并依据公式 进行计算后,可以得到如图5所示的统计结果。该公式描述了运动的且会与本车发生碰撞的物体与本车之间的驾驶风险的计算方法,其中,M指质量,r指距离,V指速度,用cos后面表示角度的符号来表示行驶方向,R指路面因素,而路面因素的一个统称包括这个路面的粘度、湿度、坡度、温度,k1、k2、k3都是常数,k1=3,k2=1,k3=光速。从该统计结果可以看到,本申请能够较大地改善半自动驾驶中车辆的驾驶风险,例如车辆之间的碰撞概率或者车辆之间的碰撞强度,从而增加半自动驾驶系统的安全性。
根据上面实施例所描述的方法,以下将举例进一步详细说明。
在本实施例中,将以基于人工智能的驾驶切换装置集成在服务器与终端为例进行说明,该服务器可以是单台服务器,也可以是由多个服务器组成的服务器集群;该终端可以为手机、平板电脑、笔记本电脑等设备,可选的,可以为车载电脑。
如图6所示,一种基于人工智能的驾驶切换方法,具体流程如下:
201、终端确定车辆的当前驾驶模式、以及该当前驾驶模式下车辆的当前驾驶状态。
参考图7,在本实施例中,终端可以为车辆的车载电脑,并且,在应用时,车辆的驾驶模式可以包括多种,例如,可以包括驾驶员模式与辅助驾驶系统模式,其中,车辆的辅助驾驶系统可以包括多种系统,例如,自动驾驶系统、半自动驾驶系统、安全辅助驾驶系统,等等,在本申请中不对此做限制。
确定车辆的当前驾驶模式以及当前驾驶状态的方式可以有多种,在一实施例中,参考图8,如果通过车内摄像头或者其他人脸识别设备识别出车辆当前处于状态i,那么意味着当前是驾驶员在驾驶车辆,即车辆处于驾驶员模式下;如果通过半自动驾驶系统的驾驶状态指示信息确定车辆当前处于状态i,那么意味着当前是半自动驾驶系统在驾驶车辆,即车辆处于辅助驾驶系统模式下。
202、服务器获取车辆的历史驾驶时间数据,其中,该历史驾驶时间数据包括该车辆在至少一个驾驶模式下的驾驶时间信息。
服务器获取车辆的历史驾驶时间数据的方式可以有多种,例如,可以通过向记录车辆历史驾驶时间数据的单元发送请求,以获取历史驾驶时间数据;又如,可以设置专用的时间记录单元,以对车辆在不同驾驶模式下的驾驶时间信息进行记录;等等。
203、服务器对历史驾驶时间数据进行数据分析,得到车辆在各驾驶模式下的驾驶时间分布特征、以及该车辆在当前驾驶状态下的预测驾驶时间。
在本实施例中,车辆的驾驶模式包括驾驶员模式与辅助驾驶系统模式,并且,服务器可以通过对车辆的历史驾驶时间数据进行数据分析,得到车辆在驾驶员模式下的驾驶时间分布特征:以及车辆在辅助驾驶系统模式下的驾驶时间分布特征:
204、服务器基于驾驶时间分布特征,建立车辆在各驾驶模式之间的驾驶时间分配关系。
205、服务器基于该驾驶时间分配关系以及该预测驾驶时间,生成车辆在当前驾驶模式下的驾驶模式切换条件。
在本实施例中,由于该车辆的驾驶模式仅包括驾驶员模式与辅助驾驶系统模式,因此,该车辆在驾驶状态i下的驾驶预测时间仅被驾驶员模式与辅助驾驶系统模式占用,因此,可以有:Ti,auto+Ti,diver=ti,pre。
206、服务器将该生成的驾驶模式切换条件发送给终端。
服务器端在生成驾驶模式切换条件后,需要将该驾驶模式切换条件发送给终端的车载电脑,以便车载电脑可以基于该驾驶模式切换条件对车辆的当前驾驶模式进行切换。
207、终端获取该驾驶模式切换条件。
208、当检测到车辆在当前驾驶模式下的当前驾驶时长满足驾驶模式切换条件时,将该车辆的当前驾驶模式切换至目标驾驶模式。
在本实施例中,若车辆的当前驾驶模式为驾驶员模式,并且,车辆的当前驾驶状态为i时,如果检测到该车辆的当前驾驶时长达到则应该切换到辅助驾驶系统模式;若车辆的当前驾驶模式为辅助驾驶系统模式,并且,车辆的当前驾驶状态为i时,如果检测到该车辆的当前驾驶时长达到则应该切换到驾驶员模式。
由上可知,本申请实施例能够在进行车辆的驾驶切换时,将车辆的驾驶模式以及驾驶状态考虑在内,并且,通过对车辆各驾驶模式的驾驶时间分布特征进行分析,能够进一步地确定车辆各驾驶模式之间的驾驶时间分配关系,使得该方案可以基于该驾驶时间分配关系,有效地平衡车辆的各驾驶模式对车辆的控制度,从而大大提高基于车辆的驾驶模式的切换效率与安全性。例如,本方案能够很好地模拟辅助驾驶系统和辅导员持续驾驶时间的统计规律,从而有效地调节半自动驾驶系统中辅助驾驶系统对驾驶员的干预度,以使得车辆能够高效地在辅助驾驶系统模式与驾驶员模式之间切换,并让辅助驾驶系统与驾驶员可以高效地进行车辆的交替驾驶。
并且,本申请能够在进行车辆的驾驶切换时,还将驾驶模式的驾驶故障属性考虑在内,例如,将辅助驾驶系统模式与驾驶员模式的驾驶故障属性考虑在内。这样能够更加科学、可靠地对车辆在当前驾驶状态下的预测驾驶时间进行分配,以便生成更加可信的驾驶模式切换条件。
为了更好地实施以上方法,相应的,本申请实施例还提供一种基于人工智能的驾驶切换装置,其中,该驾驶切换装置可以集成在服务器或终端中。该服务器可以是单台服务器,也可以是由多个服务器组成的服务器集群;该终端可以为手机、平板电脑、笔记本电脑等设备。
例如,如图9所示,该基于人工智能的驾驶切换装置可以包括确定单元301,获取单元302,分析单元303,建立单元304,生成单元305以及切换单元306,如下:
确定单元301,用于确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态;
获取单元302,用于获取所述车辆的历史驾驶时间数据,其中,所述历史驾驶时间数据包括所述车辆在至少一个驾驶模式下的驾驶时间信息;
分析单元303,用于对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间;
建立单元304,用于基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系;
生成单元305,用于基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件;
切换单元306,用于当检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,将所述车辆的当前驾驶模式切换至目标驾驶模式。
在一实施例中,参考图10,所述分析单元303,可以包括:
第一提取子单元3031,用于从所述历史驾驶时间数据中提取与所述各驾驶模式匹配的第一匹配时间数据、以及与所述当前驾驶状态匹配的第二匹配时间数据;
第一解析子单元3032,用于对所述第一匹配时间数据进行数据解析,以确定所述车辆在所述各驾驶模式下的驾驶时间服从的数据分布模式;
第一生成子单元3033,用于基于所述数据分布模式、以及所述各驾驶模式的驾驶故障属性,生成所述车辆在所述各驾驶模式下的驾驶时间分布特征;
数据统计子单元3034,用于对所述第二匹配时间数据进行数据统计,以得到所述车辆在所述当前驾驶状态下的预测驾驶时间。
在一实施例中,所述第一生成子单元3033,可以用于:
确定所述各驾驶模式的驾驶故障属性;基于所述驾驶故障属性,确定所述各驾驶模式对应的安全驾驶系数;基于所述安全驾驶系数,通过遵循所述数据分布模式生成所述车辆在所述各驾驶模式下的驾驶时间分布特征。
在一实施例中,所述第一生成子单元3033,可以具体用于:
获取车路协同样本数据,其中,所述车路协同样本数据包括所述各驾驶模式下的车辆驾驶事故信息;基于所述车辆驾驶事故信息,确定所述各驾驶模式下的车辆驾驶事故的统计结果;基于所述统计结果,确定所述各驾驶模式的模式故障属性。
在一实施例中,所述统计子单元3034,可以用于:
对所述第二匹配时间数据进行数据统计,得到统计后的驾驶时间统计特征;基于所述统计后的驾驶时间统计特征,生成所述车辆在所述当前驾驶状态下的预测驾驶时间。
在一实施例中,参考图11,所述建立单元304,可以包括:
特征分类子单元3041,用于基于所述车辆的驾驶状态,对所述驾驶时间分布特征进行分类;
第二提取子单元3042,用于从所述分类后的驾驶时间分布特征中提取与所述当前驾驶状态对应的驾驶时间分布特征;
第一确定子单元3043,用于基于所述提取后的驾驶时间分布特征,确定所述车辆在所述驾驶模式之间的驾驶时间分配关系。
在一实施例中,参考图12,所述生成单元305,可以包括:
时间分配子单元3051,用于基于所述驾驶时间分配关系,对所述预测驾驶时间进行分配,得到分配后的预测驾驶时间;
第二确定子单元3052,用于从所述分配后的预测驾驶时间中确定所述当前驾驶模式对应的预测驾驶时间;
第二生成子单元3053,用于基于所述当前驾驶模式对应的预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件。
在一实施例中,参考图13,在所述确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态之前,所述基于人工智能的驾驶切换装置还可以包括:
样本获取单元307,用于获取车路协同样本数据,其中,所述车路协同样本数据包括车辆驾驶事故的事故成因信息;
模式确定单元308,用于确定所述车辆驾驶事故中车辆的驾驶模式;
状态分类单元309,用于基于所述事故成因信息,对所述车辆的驾驶状态进行分类,得到分类后的驾驶状态;
第一集合生成单元310,用于基于所述分类后的驾驶状态,生成与所述驾驶模式对应的驾驶状态集。
在一实施例中,参考图14,所述驾驶模式包括驾驶员模式与辅助驾驶系统模式,所述基于人工智能的驾驶切换装置还可以包括:
集合获取单元311,用于获取所述驾驶员模式对应的驾驶状态集,其中,所述驾驶状态集包括驾驶员的至少一个驾驶状态;
辅助确定单元312,用于确定辅助驾驶系统对所述驾驶员的驾驶辅助方式;
状态模拟单元313,用于基于所述驾驶辅助方式,对所述驾驶员的驾驶状态进行状态模拟,得到模拟后的驾驶状态;
第二集合生成单元314,用于基于所述模拟后的驾驶状态,生成与所述辅助驾驶系统模式对应的驾驶状态集。
在一实施例中,参考图15,所述确定单元301,可以包括:
对象确定子单元3011,用于确定所述车辆的当前驾驶对象;
模式确定子单元3012,用于根据所述当前驾驶对象,确定所述车辆的当前驾驶模式;
数据获取子单元3013,用于获取所述当前驾驶对象的驾驶对象特征数据;
第二解析子单元3014,用于对所述驾驶对象特征数据进行解析,以确定所述当前驾驶模式下所述车辆的当前驾驶状态。
在一实施例中,所述车辆的驾驶模式包括驾驶员模式与辅助驾驶系统模式;所述数据解析子单元3014,可以用于:
当所述当前驾驶模式为所述驾驶员模式时,从所述驾驶对象特征数据中提取驾驶员的生物特征信息;基于所述生物特征信息,确定所述驾驶员的驾驶状态,并将所述驾驶状态确定为所述当前驾驶模式下所述车辆的当前驾驶状态;当所述当前驾驶模式为所述辅助驾驶系统模式时,从所述驾驶对象特征数据中提取辅助驾驶系统的驾驶状态指示信息;基于所述驾驶状态指示信息,确定所述辅助驾驶系统的驾驶状态,并将所述驾驶状态确定为所述当前驾驶模式下所述车辆的当前驾驶状态。
在一实施例中,参考图16,所述切换单元306,可以包括:
时长获取子单元3061,用于获取所述车辆在所述当前驾驶模式下的当前驾驶时长;
模式选取子单元3062,用于当检测到所述当前驾驶时长满足所述驾驶模式切换条件时,从所述车辆的历史驾驶模式中选取目标驾驶模式;
模式切换子单元3063,用于将所述车辆的当前驾驶模式切换至所述目标驾驶模式。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本实施例的基于人工智能的驾驶切换装置中确定单元301确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态;由获取单元302获取所述车辆的历史驾驶时间数据,其中,所述历史驾驶时间数据包括所述车辆在至少一个驾驶模式下的驾驶时间信息;由分析单元303对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间;由建立单元304基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系;由生成单元305基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件;由切换单元306当检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,将所述车辆的当前驾驶模式切换至目标驾驶模式。
该方案能够在进行车辆的驾驶切换时,将车辆的驾驶模式以及驾驶状态考虑在内,并且,通过对车辆各驾驶模式的驾驶时间分布特征进行分析,能够进一步地确定车辆各驾驶模式之间的驾驶时间分配关系,使得该方案可以基于该驾驶时间分配关系,有效地平衡车辆的各驾驶模式对车辆的控制度,从而大大提高基于车辆的驾驶模式的切换效率与安全性。例如,本方案能够很好地模拟辅助驾驶系统和辅导员持续驾驶时间的统计规律,从而有效地调节半自动驾驶系统中辅助驾驶系统对驾驶员的干预度,以使得车辆能够高效地在辅助驾驶系统模式与驾驶员模式之间切换,并让辅助驾驶系统与驾驶员可以高效地进行车辆的交替驾驶。
此外,本申请实施例还提供一种计算机设备,该计算机设备可以为服务器或终端等设备,如图17所示,其示出了本申请实施例所涉及的计算机设备的结构示意图,具体来讲:
该计算机设备可以包括射频(RF,Radio Frequency)电路401、包括有一个或一个以上计算机可读存储介质的存储器402、输入单元403、显示单元404、传感器405、音频电路406、无线保真(WiFi,Wireless Fidelity)模块407、包括有一个或者一个以上处理核心的处理器408、以及电源409等部件。本领域技术人员可以理解,图17中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
RF电路401可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,交由一个或者一个以上处理器408处理;另外,将涉及上行的数据发送给基站。通常,RF电路401包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM,Subscriber Identity Module)卡、收发信机、耦合器、低噪声放大器(LNA,Low Noise Amplifier)、双工器等。此外,RF电路401还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(GSM,Global System of Mobile communication)、通用分组无线服务(GPRS,GeneralPacket Radio Service)、码分多址(CDMA,Code Division Multiple Access)、宽带码分多址(WCDMA,Wideband Code Division Multiple Access)、长期演进(LTE,Long TermEvolution)、电子邮件、短消息服务(SMS,Short Messaging Service)等。
存储器402可用于存储软件程序以及模块,处理器408通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器408和输入单元403对存储器402的访问。
输入单元403可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,在一个具体的实施例中,输入单元403可包括触敏表面以及其他输入设备。触敏表面,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器408,并能接收处理器408发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面,输入单元403还可以包括其他输入设备。具体地,其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元404可用于显示由用户输入的信息或提供给用户的信息以及计算机设备的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元404可包括显示面板,可选的,可以采用液晶显示器(LCD,Liquid CrystalDisplay)、有机发光二极管(OLED,Organic Light-Emitting Diode)等形式来配置显示面板。进一步的,触敏表面可覆盖显示面板,当触敏表面检测到在其上或附近的触摸操作后,传送给处理器408以确定触摸事件的类型,随后处理器408根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图17中,触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能,但是在某些实施例中,可以将触敏表面与显示面板集成而实现输入和输出功能。
计算机设备还可包括至少一种传感器405,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板的亮度,接近传感器可在计算机设备移动到耳边时,关闭显示面板和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于计算机设备还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路406、扬声器,传声器可提供用户与计算机设备之间的音频接口。音频电路406可将接收到的音频数据转换后的电信号,传输到扬声器,由扬声器转换为声音信号输出;另一方面,传声器将收集的声音信号转换为电信号,由音频电路406接收后转换为音频数据,再将音频数据输出处理器408处理后,经RF电路401以发送给比如另一计算机设备,或者将音频数据输出至存储器402以便进一步处理。音频电路406还可能包括耳塞插孔,以提供外设耳机与计算机设备的通信。
WiFi属于短距离无线传输技术,计算机设备通过WiFi模块407可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图17示出了WiFi模块407,但是可以理解的是,其并不属于计算机设备的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器408是计算机设备的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行计算机设备的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器408可包括一个或多个处理核心;优选的,处理器408可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器408中。
计算机设备还包括给各个部件供电的电源409(比如电池),优选的,电源可以通过电源管理系统与处理器408逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源409还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出,计算机设备还可以包括摄像头、蓝牙模块等,在此不再赘述。具体在本实施例中,计算机设备中的处理器408会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器408来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态;获取所述车辆的历史驾驶时间数据,其中,所述历史驾驶时间数据包括所述车辆在至少一个驾驶模式下的驾驶时间信息;对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间;基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系;基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件;当检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,将所述车辆的当前驾驶模式切换至目标驾驶模式。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本实施例的计算机设备能够在进行车辆的驾驶切换时,将车辆的驾驶模式以及驾驶状态考虑在内,并且,通过对车辆各驾驶模式的驾驶时间分布特征进行分析,能够进一步地确定车辆各驾驶模式之间的驾驶时间分配关系,使得该方案可以基于该驾驶时间分配关系,有效地平衡车辆的各驾驶模式对车辆的控制度,从而大大提高基于车辆的驾驶模式的切换效率与安全性。例如,本方案能够很好地模拟辅助驾驶系统和辅导员持续驾驶时间的统计规律,从而有效地调节半自动驾驶系统中辅助驾驶系统对驾驶员的干预度,以使得车辆能够高效地在辅助驾驶系统模式与驾驶员模式之间切换,并让辅助驾驶系统与驾驶员可以高效地进行车辆的交替驾驶。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种基于人工智能的驾驶切换方法中的步骤。例如,该指令可以执行如下步骤:
确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态;获取所述车辆的历史驾驶时间数据,其中,所述历史驾驶时间数据包括所述车辆在至少一个驾驶模式下的驾驶时间信息;对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间;基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系;基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件;当检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,将所述车辆的当前驾驶模式切换至目标驾驶模式。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一种基于人工智能的驾驶切换方法中的步骤,因此,可以实现本申请实施例所提供的任一种基于人工智能的驾驶切换方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述基于人工智能的驾驶切换方面的各种可选实现方式中提供的方法。
以上对本申请实施例所提供的一种基于人工智能的驾驶切换方法、装置和系统进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (15)
1.一种基于人工智能的驾驶切换方法,其特征在于,包括:
确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态;
获取所述车辆的历史驾驶时间数据,其中,所述历史驾驶时间数据包括所述车辆在至少一个驾驶模式下的驾驶时间信息;
对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间;
基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系;
基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件;
当检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,将所述车辆的当前驾驶模式切换至目标驾驶模式。
2.根据权利要求1所述的基于人工智能的驾驶切换方法,其特征在于,对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间,包括:
从所述历史驾驶时间数据中提取与所述各驾驶模式匹配的第一匹配时间数据、以及与所述当前驾驶状态匹配的第二匹配时间数据;
对所述第一匹配时间数据进行数据解析,以确定所述车辆在所述各驾驶模式下的驾驶时间服从的数据分布模式;
基于所述数据分布模式、以及所述各驾驶模式的驾驶故障属性,生成所述车辆在所述各驾驶模式下的驾驶时间分布特征;
对所述第二匹配时间数据进行数据统计,以得到所述车辆在所述当前驾驶状态下的预测驾驶时间。
3.根据权利要求2所述的基于人工智能的驾驶切换方法,其特征在于,基于所述数据分布模式、以及所述各驾驶模式的驾驶故障属性,生成所述车辆在所述各驾驶模式下的驾驶时间分布特征,包括:
确定所述各驾驶模式的驾驶故障属性;
基于所述驾驶故障属性,确定所述各驾驶模式对应的安全驾驶系数;
基于所述安全驾驶系数,通过遵循所述数据分布模式生成所述车辆在所述各驾驶模式下的驾驶时间分布特征。
4.根据权利要求3所述的基于人工智能的驾驶切换方法,其特征在于,确定所述各驾驶模式的模式故障属性,包括:
获取车路协同样本数据,其中,所述车路协同样本数据包括所述各驾驶模式下的车辆驾驶事故信息;
基于所述车辆驾驶事故信息,确定所述各驾驶模式下的车辆驾驶事故的统计结果;
基于所述统计结果,确定所述各驾驶模式的模式故障属性。
5.根据权利要求2所述的基于人工智能的驾驶切换方法,其特征在于,对所述第二匹配时间数据进行数据统计,以得到所述车辆在所述当前驾驶状态下的预测驾驶时间,包括:
对所述第二匹配时间数据进行数据统计,得到统计后的驾驶时间统计特征;
基于所述统计后的驾驶时间统计特征,生成所述车辆在所述当前驾驶状态下的预测驾驶时间。
6.根据权利要求1所述的基于人工智能的驾驶切换方法,其特征在于,基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系,包括:
基于所述车辆的驾驶状态,对所述驾驶时间分布特征进行分类;
从所述分类后的驾驶时间分布特征中提取与所述当前驾驶状态对应的驾驶时间分布特征;
基于所述提取后的驾驶时间分布特征,确定所述车辆在所述驾驶模式之间的驾驶时间分配关系。
7.根据权利要求1所述的基于人工智能的驾驶切换方法,其特征在于,基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件,包括:
基于所述驾驶时间分配关系,对所述预测驾驶时间进行分配,得到分配后的预测驾驶时间;
从所述分配后的预测驾驶时间中确定所述当前驾驶模式对应的预测驾驶时间;
基于所述当前驾驶模式对应的预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件。
8.根据权利要求1所述的基于人工智能的驾驶切换方法,其特征在于,在所述确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态之前,所述方法还包括:
获取车路协同样本数据,其中,所述车路协同样本数据包括车辆驾驶事故的事故成因信息;
确定所述车辆驾驶事故中车辆的驾驶模式;
基于所述事故成因信息,对所述车辆的驾驶状态进行分类,得到分类后的驾驶状态;
基于所述分类后的驾驶状态,生成与所述驾驶模式对应的驾驶状态集。
9.根据权利要求8所述的基于人工智能的驾驶切换方法,其特征在于,所述驾驶模式包括驾驶员模式与辅助驾驶系统模式,所述方法还包括:
获取所述驾驶员模式对应的驾驶状态集,其中,所述驾驶状态集包括驾驶员的至少一个驾驶状态;
确定辅助驾驶系统对所述驾驶员的驾驶辅助方式;
基于所述驾驶辅助方式,对所述驾驶员的驾驶状态进行状态模拟,得到模拟后的驾驶状态;
基于所述模拟后的驾驶状态,生成与所述辅助驾驶系统模式对应的驾驶状态集。
10.根据权利要求1所述的基于人工智能的驾驶切换方法,其特征在于,确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态,包括:
确定所述车辆的当前驾驶对象;
根据所述当前驾驶对象,确定所述车辆的当前驾驶模式;
获取所述当前驾驶对象的驾驶对象特征数据;
对所述驾驶对象特征数据进行解析,以确定所述当前驾驶模式下所述车辆的当前驾驶状态。
11.根据权利要求10所述的基于人工智能的驾驶切换方法,其特征在于,所述车辆的驾驶模式包括驾驶员模式与辅助驾驶系统模式;
对所述驾驶对象特征数据进行解析,以确定所述当前驾驶模式下所述车辆的当前驾驶状态,包括:
当所述当前驾驶模式为所述驾驶员模式时,从所述驾驶对象特征数据中提取驾驶员的生物特征信息;
基于所述生物特征信息,确定所述驾驶员的驾驶状态,并将所述驾驶状态确定为所述当前驾驶模式下所述车辆的当前驾驶状态;
当所述当前驾驶模式为所述辅助驾驶系统模式时,从所述驾驶对象特征数据中提取辅助驾驶系统的驾驶状态指示信息;
基于所述驾驶状态指示信息,确定所述辅助驾驶系统的驾驶状态,并将所述驾驶状态确定为所述当前驾驶模式下所述车辆的当前驾驶状态。
12.根据权利要求1所述的基于人工智能的驾驶切换方法,其特征在于,当检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,将所述车辆的当前驾驶模式切换至目标驾驶模式,包括:
获取所述车辆在所述当前驾驶模式下的当前驾驶时长;
当检测到所述当前驾驶时长满足所述驾驶模式切换条件时,从所述车辆的历史驾驶模式中选取目标驾驶模式;
将所述车辆的当前驾驶模式切换至所述目标驾驶模式。
13.一种基于人工智能的驾驶切换装置,其特征在于,包括:
确定单元,用于确定车辆的当前驾驶模式、以及所述当前驾驶模式下所述车辆的当前驾驶状态;
获取单元,用于获取所述车辆的历史驾驶时间数据,其中,所述历史驾驶时间数据包括所述车辆在至少一个驾驶模式下的驾驶时间信息;
分析单元,用于对所述历史驾驶时间数据进行数据分析,得到所述车辆在各驾驶模式下的驾驶时间分布特征、以及所述车辆在所述当前驾驶状态下的预测驾驶时间;
建立单元,用于基于所述驾驶时间分布特征,建立所述车辆在所述驾驶模式之间的驾驶时间分配关系;
生成单元,用于基于所述驾驶时间分配关系以及所述预测驾驶时间,生成所述车辆在所述当前驾驶模式下的驾驶模式切换条件;
切换单元,用于当检测到所述车辆在所述当前驾驶模式下的当前驾驶时长满足所述驾驶模式切换条件时,将所述车辆的当前驾驶模式切换至目标驾驶模式。
14.一种计算机设备,其特征在于,包括存储器和处理器;所述存储器存储有应用程序,所述处理器用于运行所述存储器内的应用程序,以执行权利要求1至12任一项所述的基于人工智能的驾驶切换方法中的操作。
15.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至12任一项所述的基于人工智能的驾驶切换方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011158438.4A CN112298184B (zh) | 2020-10-26 | 2020-10-26 | 基于人工智能的驾驶切换方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011158438.4A CN112298184B (zh) | 2020-10-26 | 2020-10-26 | 基于人工智能的驾驶切换方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112298184A true CN112298184A (zh) | 2021-02-02 |
CN112298184B CN112298184B (zh) | 2023-11-28 |
Family
ID=74330882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011158438.4A Active CN112298184B (zh) | 2020-10-26 | 2020-10-26 | 基于人工智能的驾驶切换方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112298184B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220348204A1 (en) * | 2021-04-29 | 2022-11-03 | Volvo Car Corporation | Method for controlling autonomous vehicle, and autonomous vehicle |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016117790A1 (en) * | 2015-01-20 | 2016-07-28 | Lg Electronics Inc. | Apparatus for switching driving mode of vehicle and method thereof |
DE102018103113A1 (de) * | 2017-02-20 | 2018-08-23 | FEV Europe GmbH | Verfahren zum Betreiben eines Hybridsystems für ein Fahrzeug |
JP2019182280A (ja) * | 2018-04-13 | 2019-10-24 | 株式会社デンソー | 運転モード切替装置、運転モードの切替方法、コンピュータプログラム |
WO2019208450A1 (ja) * | 2018-04-27 | 2019-10-31 | パナソニックIpマネジメント株式会社 | 運転支援装置、運転支援方法及びプログラム |
CN111386217A (zh) * | 2019-03-08 | 2020-07-07 | 深圳市大疆创新科技有限公司 | 用于在可移动物体的手动控制与自主控制之间进行切换的技术 |
CN111699521A (zh) * | 2017-12-19 | 2020-09-22 | 智加科技公司 | 用于混合驾驶中基于驾驶者状态的驾驶模式切换的方法和系统 |
-
2020
- 2020-10-26 CN CN202011158438.4A patent/CN112298184B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016117790A1 (en) * | 2015-01-20 | 2016-07-28 | Lg Electronics Inc. | Apparatus for switching driving mode of vehicle and method thereof |
DE102018103113A1 (de) * | 2017-02-20 | 2018-08-23 | FEV Europe GmbH | Verfahren zum Betreiben eines Hybridsystems für ein Fahrzeug |
CN111699521A (zh) * | 2017-12-19 | 2020-09-22 | 智加科技公司 | 用于混合驾驶中基于驾驶者状态的驾驶模式切换的方法和系统 |
JP2019182280A (ja) * | 2018-04-13 | 2019-10-24 | 株式会社デンソー | 運転モード切替装置、運転モードの切替方法、コンピュータプログラム |
WO2019208450A1 (ja) * | 2018-04-27 | 2019-10-31 | パナソニックIpマネジメント株式会社 | 運転支援装置、運転支援方法及びプログラム |
CN111386217A (zh) * | 2019-03-08 | 2020-07-07 | 深圳市大疆创新科技有限公司 | 用于在可移动物体的手动控制与自主控制之间进行切换的技术 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220348204A1 (en) * | 2021-04-29 | 2022-11-03 | Volvo Car Corporation | Method for controlling autonomous vehicle, and autonomous vehicle |
Also Published As
Publication number | Publication date |
---|---|
CN112298184B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146100B (zh) | 轨迹预测方法、装置及存储介质 | |
CN106919918B (zh) | 一种人脸跟踪方法和装置 | |
US10943091B2 (en) | Facial feature point tracking method, apparatus, storage medium, and device | |
CN110795523B (zh) | 车辆定位方法、装置以及智能车辆 | |
EP3617995A1 (en) | Augmented reality processing method, object recognition method, and related apparatus | |
KR20190115040A (ko) | 운전 거동 결정 방법, 디바이스, 장비 및 저장 매체 | |
CN109556612B (zh) | 一种导航信息处理方法、装置、服务器、终端及存储介质 | |
CN110798718B (zh) | 一种视频推荐方法以及装置 | |
CN110516113B (zh) | 一种视频分类的方法、视频分类模型训练的方法及装置 | |
US20170109756A1 (en) | User Unsubscription Prediction Method and Apparatus | |
CN109993234B (zh) | 一种无人驾驶训练数据分类方法、装置及电子设备 | |
CN113723378A (zh) | 一种模型训练的方法、装置、计算机设备和存储介质 | |
CN112149589A (zh) | 车内驾驶员行为识别方法及装置 | |
CN113923775B (zh) | 一种定位信息质量评估的方法、装置、设备和存储介质 | |
CN110022235B (zh) | 信息处理方法、终端和服务器 | |
CN116933149A (zh) | 一种对象意图预测方法、装置、电子设备和存储介质 | |
CN112298184B (zh) | 基于人工智能的驾驶切换方法、装置、设备和存储介质 | |
CN114581892A (zh) | 一种多媒体信息处理方法、装置、电子设备及存储介质 | |
CN111046742A (zh) | 一种眼部行为检测方法、装置以及存储介质 | |
CN110784672A (zh) | 一种视频数据传输方法、装置、设备及存储介质 | |
CN112543195B (zh) | 面向智能网联汽车的信息安全评估方法、装置及电子设备 | |
CN109711477A (zh) | 一种自动驾驶模型的训练方法及装置 | |
CN113110487A (zh) | 车辆仿真控制方法、装置、电子设备及存储介质 | |
CN112270238A (zh) | 一种视频内容识别方法和相关装置 | |
CN109427220B (zh) | 一种基于虚拟现实的展示方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40038342 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |